Sanctuariser les données industrielles : le fondement oublié de la souveraineté

Les données industrielles s'échappent sans qu'on le décide

Quand Mario Draghi consacrait, en septembre 2024, des dizaines de pages à la dépendance numérique européenne, il décrivait une réalité que beaucoup d'industriels français vivent déjà — non comme une abstraction géopolitique, mais comme une contrainte opérationnelle quotidienne. Des données de fabrication transitent, sans décision délibérée, vers des infrastructures dont on ne contrôle ni la localisation ni l'usage. Des contrats numériques changent unilatéralement du jour au lendemain, sans alternative prête.

Entre le diagnostic continental et la réalité d'une ETI industrielle, il y a moins une différence de nature qu'une différence d'échelle. La question n'est plus théorique : c'est une question de survie opérationnelle.

La donnée industrielle : un patrimoine à recenser d'abord

Une usine génère en permanence des flux d'une hétérogénéité considérable. Les données de gestion côtoient les données issues des machines, des capteurs, des lignes de fabrication, sans qu'il existe toujours un endroit où ces mondes se parlent. Seulement 10 % des entreprises françaises de plus de dix salariés utilisaient au moins une technologie d'IA en 2024, selon l'INSEE.

Ce chiffre révèle moins un retard technologique qu'un fait plus fondamental : sans données fiables et centralisées, l'IA ne sait pas sur quoi travailler. Lorsqu'un technicien de maintenance renseigne sa GMAO après une intervention, la donnée devient structurée, traçable, exploitable. Lorsqu'il rédige un rapport libre, hors de tout outil intégré, cette même donnée — riche d'un savoir-faire précis — reste inexploitée.

Sanctuariser ses données industrielles, c'est se donner un point de vérité unique où toutes ces données, structurées ou non, trouvent une valeur métier identifiée.

Quand la donnée non maîtrisée paralyse la décision

De cette réalité émerge une question critique : à qui appartient réellement la connaissance de l'entreprise ? Faute d'outils internes adaptés pour traiter les données non structurées, les salariés recourent à des grands modèles de langage (LLM) accessibles via des API américaines pour analyser un rapport, résumer une anomalie, préparer une réponse fournisseur. La donnée sort de l'entreprise. La décision, elle, reste en apparence interne.

Le Data Act européen, applicable depuis septembre 2025, ouvre aux industriels un droit d'accès aux données générées par leurs propres équipements connectés. Mais ce droit ne vaut que si l'entreprise s'est dotée d'une architecture capable de le faire vivre sans dépendre d'un tiers pour interpréter ses propres données. Un droit sans infrastructure pour l'exercer reste une promesse creuse.

L'IA n'est fiable qu'à hauteur de la donnée qu'on lui confie

La séquence importe plus que la technologie. Posez la même question à un algorithme nourri de données mal qualifiées à deux heures d'intervalle, et vous obtiendrez deux réponses différentes. Comment piloter un plan de maintenance ou une décision d'approvisionnement sur ce type de fondation ?

Des modèles compacts — les SLM — déployables directement sur les infrastructures de l'entreprise sans recourir à des API extérieures existent aujourd'hui. Ils suffisent pour générer ou analyser un rapport d'intervention, détecter une dérive sur une ligne, interroger un équipement en langage naturel ou fiabiliser une décision terrain, sans que la donnée quitte l'entreprise. Moins universels que les grands LLM du marché, ils sont en revanche auditables, reproductibles, maîtrisables.

Sanctuariser d'abord, analyser ensuite

Ce n'est pas renoncer à l'IA. C'est en faire un outil dont on comprend ce qu'il produit, et pourquoi. La souveraineté industrielle se mesure peut-être moins à la puissance des modèles que l'on déploie qu'à la clarté avec laquelle on sait, à tout moment, sur quelles données ils travaillent.

Le chemin vers l'autonomie numérique commence là : par la maîtrise du patrimoine de données qu'on possède déjà.